數(shù)字圖像處理圖像分割

1、ygf8200 實習小編 一級|消息 | 我的百科 | 我的知道 | 我的空間 | 百度首頁 | 退出 我的百科圖像分割 簡介數(shù)字圖像處理技術(shù)是一個跨學科的領(lǐng)域。隨著計算機科學技術(shù)的不斷發(fā)展，圖像處理和分析逐漸形成了自己的科學體系，新的處理方法層出不窮，盡管其發(fā)展歷史不長，但卻引起各方面人士的廣泛關(guān)注。首先，視覺是人類最重要的感知手段，圖像又是視覺的基礎(chǔ)，因此，數(shù)字圖像成為心理學、生理學、計算機科學等諸多領(lǐng)域內(nèi)的學者們研究視覺感知的有效工具。其次，圖像處理在軍事、遙感、氣象等大型應(yīng)用中有不斷增長的需求。 基于圖論的圖像分割技術(shù)是近年來國際上圖像分割領(lǐng)域的一個新的研究熱點。該方法將圖像映射為帶權(quán)

2、無向圖，把像素視作節(jié)點。利用最小剪切準則得到圖像的最佳分割 該方法本質(zhì)上將圖像分割問題轉(zhuǎn)化為最優(yōu)化問題。是一種點對聚類方法。對數(shù)據(jù)聚類也具有很好的應(yīng)用前景。但由于其涉及的理論知識較多，應(yīng)用也還處在初級階段。因此國內(nèi)這方面的研究報道并不多見，本文將對圖論方法用于圖像分割的基本理論進行簡要介紹，并對當前圖論方法用于圖像分割的最新研究進展進行綜述，并著重介紹基于等周圖割的圖像分割的方法。 圖像目標分割與提取技術(shù)綜述圖像分割是一種重要的圖像技術(shù)，在理論研究和實際應(yīng)用中都得到了人們的廣泛重視。圖像分割的方法和種類有很多，有些分割運算可直接應(yīng)用于任何圖像，而另一些只能適用于特殊類別的圖像。有些算法需要先對

3、圖像進行粗分割，因為他們需要從圖像中提取出來的信息。例如，可以對圖像的灰度級設(shè)置門限的方法分割。值得提出的是，沒有唯一的標準的分割方法。許多不同種類的圖像或景物都可作為待分割的圖像數(shù)據(jù)，不同類型的圖像，已經(jīng)有相對應(yīng)的分割方法對其分割，同時，某些分割方法也只是適合于某些特殊類型的圖像分割。分割結(jié)果的好壞需要根據(jù)具體的場合及要求衡量。圖像分割是從圖像處理到圖像分析的關(guān)鍵步驟，可以說，圖像分割結(jié)果的好壞直接影響對圖像的理解。 具體定義為后續(xù)工作有效進行而將圖像劃分為若干個有意義的區(qū)域的技術(shù)稱為圖像分割(Image Segmentation) 而目前廣為人們所接受的是通過集合所進行的定義： 令集合R代

4、表整個圖像區(qū)域，對R的圖像分割可以看做是將R分成N個滿足以下條件的非空子集R1，R2，R3，RN； （1）在分割結(jié)果中，每個區(qū)域的像素有著相同的特性 （2）在分割結(jié)果中，不同子區(qū)域具有不同的特性，并且它們沒有公共特性 （3）分割的所有子區(qū)域的并集就是原來的圖像 （4）各個子集是連通的區(qū)域 后記目前,有許多的圖像分割方法,從分割操作策略上講,可以分為基于區(qū)域生成的分割方法,基于邊界檢測的分割方法和區(qū)域生成與邊界檢測的混合方法.圖像分割主要包括4種技術(shù)：并行邊界分割技術(shù)、串行邊界分割技術(shù)、并行區(qū)域分割技術(shù)和串行區(qū)域分割技術(shù)。 圖像分割是從圖像處理到圖像分析的關(guān)鍵技術(shù)。圖像分割的種類和方法很多，有些

5、分割算法可直接用于任何圖像，而另一些算法只能適用于分割特殊類別的圖像。有些算法需要先對圖像進行粗分割，因為它們需要從圖像中提取出來的信息。沒有唯一的標準的方法。分割結(jié)果的好壞需要根據(jù)具體的場合要求衡量。早期的圖像分割方法可以分為兩大類。一類是邊界方法，這種方法假設(shè)圖像分割結(jié)果的某個子區(qū)域在原來圖像中一定會有邊緣存在；一類是區(qū)域方法，這種方法假設(shè)圖像分割結(jié)果的某個子區(qū)域一定會有相同的性質(zhì)，而不同區(qū)域的像素則沒有共同的性質(zhì)。這兩種方法都有優(yōu)點和缺點，有的學者考慮把兩者結(jié)合起來進行研究?，F(xiàn)在，隨著計算機處理能力的提高，很多方法不斷涌現(xiàn)，如基于彩色分量分割、紋理圖像分割。所使用的數(shù)學工具和分析手段也是

6、不斷的擴展，從時域信號到頻域信號處理，小波變換等等。圖像分割主要包括4種技術(shù)：并行邊界分割技術(shù)、串行邊界分割技術(shù)、并行區(qū)域分割技術(shù)和串行區(qū)域分割技術(shù)。下面是分別對每一項做簡單的介紹。1、并行邊界分割不同圖像灰度不同，邊界處一般會有明顯的邊緣，利用此特征可以分割圖像。需要說明的是：邊緣和物體間的邊界并不等同，邊緣指的是圖像中像素的值有突變的地方，而物體間的邊界指的是現(xiàn)實場景中的存在于物體之間的邊界。有可能有邊緣的地方并非邊界，也有可能邊界的地方并無邊緣，因為現(xiàn)實世界中的物體是三維的，而圖像只具有二維信息，從三維到二維的投影成像不可避免的會丟失一部分信息；另外，成像過程中的光照和噪聲也是不可避免的

7、重要因素。正是因為這些原因，基于邊緣的圖像分割仍然是當前圖像研究中的世界級難題，目前研究者正在試圖在邊緣提取中加入高層的語義信息。在實際的圖像分割中，往往只用到一階和二階導數(shù)，雖然，原理上，可以用更高階的導數(shù)，但是，因為噪聲的影響，三階以上的導數(shù)信息往往失去了應(yīng)用價值。二階導數(shù)還可以說明灰度突變的類型。在有些情況下，如灰度變化均勻的圖像，只利用一階導數(shù)可能找不到邊界，此時二階導數(shù)就能提供很有用的信息。二階導數(shù)對噪聲也比較敏感，解決的方法是先對圖像進行平滑濾波，消除部分噪聲，再進行邊緣檢測。不過，利用二階導數(shù)信息的算法是基于過零檢測的，因此得到的邊緣點數(shù)比較少，有利于后繼的處理和識別工作。Rob

8、erts算子：邊緣定位準，但是對噪聲敏感。適用于邊緣明顯且噪聲較少的圖像分割。Prewitt算子：對噪聲有抑制作用，抑制噪聲的原理是通過像素平均，但是像素平均相當于對圖像的低通濾波，所以Prewitt算子對邊緣的定位不如Roberts算子。Sobel算子：Sobel算子和Prewitt算子都是加權(quán)平均，但是Sobel算子認為，鄰域的像素對當前像素產(chǎn)生的影響不是等價的，所以距離不同的像素具有不同的權(quán)值，對算子結(jié)果產(chǎn)生的影響也不同。一般來說，距離越遠，產(chǎn)生的影響越小。Isotropic Sobel算子：加權(quán)平均算子，權(quán)值反比于鄰點與中心點的距離，當沿不同方向檢測邊緣時梯度幅度一致，就是通常所說的各

9、向同性。上面的算子時利用一階導數(shù)的信息。Laplacian算子：這時二階微分算子。其具有各向同性，即與坐標軸方向無關(guān)，坐標軸旋轉(zhuǎn)后梯度結(jié)果不變。但是，其對噪聲比較敏感，所以，圖像一般先經(jīng)過平滑處理，因為平滑處理也是用模板進行的，所以，通常的分割算法都是把Laplacian算子和平滑算子結(jié)合起來生成一個新的模板。2、串行邊界分割并行邊緣檢測的方法，對圖像的每一點上所做的處理不依賴于其它的點處理結(jié)果。串行邊界分割在處理圖像時不但利用了本身像素的信息，而且利用前面處理過像素的結(jié)果。對某個像素的處理，以及是否把它分類成為邊界點，和先前對其它點的處理得到的信息有關(guān)。串行邊界分割技術(shù)通常是通過順序的搜索邊

10、緣點來工作的，一般有三個步驟：1.起始邊緣點的確定。2.搜索準則，將根據(jù)這個準則確定下一個邊緣點。3.終止條件，設(shè)定搜索過程結(jié)束的條件。邊界跟蹤是一種串行邊界分割的方法。邊界跟蹤是由梯度圖中一個邊緣點出發(fā)，搜索并連接邊緣點進而逐步檢測所有邊界的方法。在并行邊界分割法中，邊緣像素不一定能夠組合成閉合的曲線，因為邊界上有可能會遇到缺口。缺口可能太大而不能用一條直線或曲線連接，也有可能不是一條邊界上的缺口。邊界跟蹤的方法者可以在一定程度上解決這些問題，對某些圖像，這種方法的分割結(jié)果更好。具體算法是，先對原圖像進行梯度運算，然后進行邊界跟蹤算法。1.起始點：對梯度圖搜索，找到梯度最大點，做為邊界跟蹤的

11、開始點。2.生長規(guī)則：在這個點的8鄰域像素中，梯度最大的點被當做邊界，同時，這個點還會做為下一個搜索的起始點。3.終止條件：按照2的準則一直搜索，直到梯度絕對值小于一個閾值時，搜索停止。有時為了保證邊界的光滑性，每次只是在一定的范圍的像素中選擇，這樣得到的邊界點不但能保證連通性，還能保證光滑性。3、并行區(qū)域分割并行區(qū)域分割主要有兩種方法：閾值分割和聚類。直接的閾值分割一般不能適用于復雜景物的正確分割，如自然場景，因為復雜景物的圖像，有的區(qū)域很難判斷究竟是前景還是背景。不過，閾值分割在處理前景和背景有很強的對比的圖像時特別有用，此時需要的計算復雜度小。當物體的灰度級比較集中時，簡單的設(shè)置灰度級閾

12、值提取物體是一個有效的辦法。閾值方法分為全局閾值和局部閾值兩種，如果分割過程中對圖像上每個像素所使用的閾值都相等，則為全局閾值方法；如果每個像素所使用的閾值可能不同，則為局部閾值方法。最佳全局閾值的確定的常用方法一般有下面幾種：試驗法，直方圖法，最小誤差法（這種方法是假設(shè)背景和前景的灰度分布都是正態(tài)分布的）。當光照不均勻、有突發(fā)噪聲，或者背景灰度變化比較大時，整幅圖像分割將沒有合適的單一門限，因為單一的閾值不能兼顧圖像各個像素的實際情況。這時，可對圖像按照坐標分塊，對每一塊分別選一閾值進行分割，這種與坐標相關(guān)的閾值稱為動態(tài)閾值方法，也稱為自適應(yīng)閾值方法。這類方法的時間和空間復雜度比較大，但是抗

13、噪聲能力比較強，對采用全局閾值不容易分割的圖像有較好的效果。自適應(yīng)閾值選取的比較簡單的方法時對每一個像素確定以它為中心的一個鄰域窗口，計算窗口內(nèi)像素的最大和最小值，然后取它們的均值做為閾值。對圖像分塊后的每一個子塊可以采用直方圖分析，如果某個子塊內(nèi)有目標和背景，則直方圖呈雙峰。如果塊內(nèi)只有目標或背景，則直方圖沒有雙峰，可根據(jù)鄰域各塊分割得到的參數(shù)插值進行分割。實際的自適應(yīng)閾值分割完全可以根據(jù)圖像的實際性質(zhì)，對每個像素設(shè)定閾值，但這個過程要考慮到實際的要求和計算的復雜度問題。4.串行區(qū)域分割串行區(qū)域分割一般可分為兩種方法：一種是區(qū)域生長，二是分裂合并。區(qū)域生長是指從某個像素出發(fā)，按照一定的準則，逐步加入鄰近像素，當滿足一定的條件時，區(qū)域生長終止。區(qū)域生長的好壞決定于1.初始點（種子點）的選取2.